PENERAPAN DATA MINING DALAM MENANGANI

KEMACETAN DI JAKARTA

Popy Purnamasari Wahid Suyitno1, Richardus Eko Indrajit2, Muh Fauzi3

Pascasarjana STMIK Nusa Mandiri Jakarta1, ABFI Institute Perbanas2, STMIK Bumigora Mataram3
Jakarta1,2, Mataram3 - Indonesia
E-mail : popypurnamasariws@gmail.com1, indrajit@post.harvard.edu2, mr.vawzy@gmail.com3

ABSTRAK

Tujuan dari penelitian ini untuk menganalisis akurasi Algoritma C4.5 dalam mendeteksi Kemacetan yang
paling sering terjadi di Jakarta, penulis mencoba menawarkan strategi menangani Kemacetan di Jakarta, dengan
konsep Business Intelegencie(BI). Jurnal ini menawarkan modelpenerapan Angkot Sekolah online berbasis
BIdengan MetodeCRISP-DM, Algoritma A*, TSP-BAB. Penelitian ini memakai Populasi dan sampel sebanyak
50 Responden. Hasil penelitian 1).Analisis C4.5ditemukan bahwa Kemacetan terjadi Pagi dan Siang, Jam 07:00-
08:00 WIB, nilai paling besar adalah Jakarta Timur Jam 07:00 WIB panjang kemacetan 10,45Km, kemudian hasil
Statistik yang Mengendarai Kendaraan Pribadi 9x lebih banyak dari pada Kendaraan Umum, terjadi kemacetan
Waktu Pagi Jam 07:00–08:00 WIB dan Sore Jam 17:00 WIB panjang Kemacetan 10,45Km dengan tingkat Akurasi
tersebar dibeberapa titik kemacetan Jalan Raya Jakarta Timur. 2). Penggunaan Algoritma A* dalam mencari Rute
terpendek efesien digunakan 3).Penerapan Angkot Sekolah online menggunakan Metode TSP-BABdalam
Minimalisir Biaya Perjalanan menjemput Siswa dapat mengurangi macet, mengurangi kecelakaan, mengurangi
waktu keterlambatan siswa, minimalisir ongkos perjalanan. Saran yang diberikan yaitu menjadi bahan evaluasi
bagiPemerintah dalam menangani Kemacetan di Jakarta, secara efisien, aman dan transparan.

Kata kunci : Kemacetan Kendaraan, Bussines Intelligence(BI),Data MiningStandard Process(CRISP-

DM), Algoritma A-Star(A*), Travelling Salesman Problem-Branch And Bround (TSP-BAB), Angkot Sekolah
online

6. PENDAHULUAN terutama di kota-kota besar ini disebabkan akibat

Seiring pertumbuhan Penduduk dan
bertambahnya warga pendatang setiap tahunnya telah
memperlihatkanfakta bahwa Jakarta mengalami
lonjakan Penduduk melebihi kapasitas Jumlah
Penduduk normal. Perbandingan jumlah Kendaraan
Pribadi dan Angkutan Umum total 9902917.0 dan
112724.0 tahun 2014 dengan 39 titik rawan
Kemacetan yang memakan banyak korban
kecelakaan di Jakarta (Data Jakarta, 2014).Dengan
adanya Revolusi Teknologi Transportasi yang
memudahkan Penduduk untuk berpergian seperti
berangkat kerja dan kesekolah, berbelanja juga
berwisata, sehingga sekitar tahun 2015 di Jakarta
bermunculan tren transportasi Umum online, seperti
Taksi online dan Ojek online (Gojek, GrabBike,
Ubermotor, Blu-jek) yang faktanya telah membantu
permasalah sebagian penduduk Jakarta saat
berpergian. Namun tetap saja Kemacetan di Jakarta
belum bisa diatasi secara total.Beberapa tahun
belakangan ini sering terjadi Kemacetan yang parah
jumlah kendaraan yang semakin tinggi dan jumlah
jalan yang tidak memadai. Permasalahan juga
semakin kompleks dengan bertambahnya jumlah
kecelakaan yang terjadi (Desmira, 2017).
Transportasi merupakan suatu proses alat penyaluran
suatu barang ke beberapa tempat. Tingginya tingkat
kebutuhan Transportasi mengakibatkan kurangnya
efisiensi kinerja dalam tujuan melayani masyarakat
atau pelanggan. Sehingga diperlukan suatu Metode
Transportasi yang dapat menyelesaikan serta
mengoptimalkan kinerja Transportasi dengan tujuan
melakukan penghematan biaya serta jarak
(Hermanto, 2017). Berdasarkan pembahasan kondisi
tersebut maka penulis mencoba menawarkan strategi
menangani Kemacetan di Jakarta, dengan konsep
Business Intelegencie. Artikel ini menawarkan
modelpenerapan Angkot Sekolah online berbasis
Business Intelegenciedengan MetodeCRISP-DM dan
TSP. Datasetnya yaitu Rekap data Kemacetan jalan
Jakarta setiap hari pada Google Maps2017 yang
diakses secara online, dataset ini diuji keakuratannya

IKRAITH-INFORMATIKA, VOL. 1, NO. 2, NOVEMBER 2017 53

menggunakan Algoritma Decision Tree pada
RapidMiner, kemudian dianalisis. Untuk menunjang
Penelitian Penulis membuat Survey terhadap 50
Responden tentang Lalu Lintas Jakarta. Tujuan dari
penerapan Angkot Sekolah online untuk mengurangi
Macet, mengurangi Kecelakaan, mengurangi waktu
keterlambatan Siswa, minimalisir ongkos, dan
menghindari isu penculikan pada Pelajar dan
mencegah pembolosan Pelajar.Penulis berharap hasil
dari penerapan Angkot Sekolah online, dapat
memberikan solusi terbaik dan memberikan
kontribusi bermanfaat kepada seluruh Penduduk
Jakarta dalam menghindari Kemacetan secara
efesien, aman dan transparan.
7. METODOLOGI
Penelitian ini bertujuan untuk Mendeteksi
Kemacetan Jakarta, Memberikan Solusi terbaik
dalam mengurangi Kemacetan Jakarta dengan
menerapkan Konsep Business Intelligence. Strategi
Bisnis yang di implementasikan pada CRISP-DM,
sebagai berikut:
7.1Jenis Penelitian
Jenis penelitian yang penulis lakukan adalah
Penelitian Deskripsi Murni atau Survei, yaitu
Penelitian yang benar-benar hanya memaparkan apa
yang terdapat atau terjadi dalam sebuah kancah,
lapangan atau wilayah tertentu (Arikunto, 2013).
7.2Produk Penelitian
Produk Penelitian yaitu Ilmu Pengetahuan tentang
Teknik menangani Kemacetan lalu lintas di Jakarta.
7.3Konsep Business Intelligence.
Adapun rancangan sistem Business intelligence yang
diusulkan, sebagai berikut:
Gambar 1. Stuktur Sistem Business Intelligence
Berdasarkan Gambar 1, dapat dilihat bahwa sistem
Business Intelligenceterdiri dari 8 tahap, sebagai
berikut:
1. Sumber Data yang di Input (Master Database)
Pada bagian ini, semua data mentah mengenai
Kemacetan lalu lintas. Seperti: Rekap data kemacetan
Jalan Jakarta setiap harinya pada Google Maps yang
diakses secara online dan Survey dari 50 Responden
54 IKRAITH-INFORMATIKA, VOL. 1, NO. 2, NOVEMBER 2017
Warga DKI Jakarta yang telah bermukim di Jakarta
minimal 6 bulan lamanya.
2. Fitur dan Kapabilitas
Dengan data yang penulis miliki maka dapat
melakukan penelitian ini yaitu mendektesi jumlah
kendaraan yang terjebak kemacetan disetiap harinya,
berapa lama kemacetan akan berlangsung,
memberikan informasi seputar pelanggaran dan
kecelakaan lalu lintas, Histori atau Riwayat
perjalanan, informasi siswa telah berada pada
kendaraan dan sampai lokasi Sekolah dan Halte.
3. Aktifitas Transaksi (Transaction Database)
Aktifitas Transaksi yang selalu berubah seperti
Jumlah kendaraan yang melalui jalan Jakarta, durasi
diamnya kendaraan, durasi kemacetan berlangsung,
tanggal hari jam saat macet, jumlah kecelakaan lalu
lintas, riwayat perjalanan, berapa biaya bayar bensin
yang akan dikeluarkan saat mengalami kemacetan,
berapa banyak polusi dan penyakit yang dihasilkan
oleh aktifitas kemacetan. Tingkat stres atau emosi
pengguna kendaraan yang mengalami kemacetan.
4. Manfaat atau Keluaran hasil data Transaksi
Maanfaat atau Keluaran hasil data Transaksi dalam
penelitian ini akan menghasilkan Informasi yang baru
yang dapat bermanfaat seperti Riwayat perjalanan
perharinya, berapa kali mengalami kemacetan,
berapa rata-rata kecepatan kendaraan setiap harinya.
Jalan yang sering macet, Jalan Alternatif yang sering
digunakan, Jalan yang sering dikunjungi Wisatawan,
Jalan yang sering dilalui kendaraan tapi tidak
mengalami kemacetan. Faktor-faktor Penyebab
kemacetan, kasus kecelakaan yang paling banyak
terjadi. Daftar Penyakit yang terjadi ketika
mengalami kemacetan.
5. Catatan otomatis terkait dengan Aktifitas
Interaksi pengguna ke Sistem Komputer
(Logfile Database)
Dengan Aplikasi Angkot Sekolah online, Riwayat
pencatatan pada komputer terjadi saat user login,
menginput lokasi dan tujuan (dari rumah menuju
sekolah dan sebaliknya), input nama guru
pendamping dan nama siswa-siswi, saat pengguna
memasuki kendaraan, menyalakan mesin, melakukan
perjalanan, memberikan informasi terupdate tentang
lalu lintas, lacak GPS atau Google Maps. Selain
Riwayat tersebut penelitian ini akan dikembangkan
dalam mendeteksi gerakan jari tangan pada
Smartphone dalam mengatahui jenis kelamin dan usia
pengguna.
6. Manfaat Logfile
Adapaun manfaat dari penelitian ini dalam
pengembangan aplikasi bus sekolah online adalah
untuk menangai atau mengurangi kemacetan yang
sering terjadi di Jakarta. Membantu para Guru dan
Siswa dalam proses belajar mengajar agar
keektifitasan waktu berlajar tepat waktu. Khususnya
dalam memberikan informasi terupdate kepada
Orang Tua Siswa agar tidak mengalami kemacetan
saat mengantarkan anak-anaknya bersekolah.
7. Data yang tidak Terstuktur (Unstructured
Data)
Adapun sentimen data yang tidak terstuktur dari
penelitian ini didapat dengan mengumpulan hasil
Survey dari 50 Responden Warga DKI Jakarta yang
telah bermukim di Jakarta minimal 6 bulan lamanya
8. Kesimpulan secara keseluruhan
Dengan adanya analisis penelitian ini dapat diketahui
apakah ada manfaatnya penggunaan dari metode dan
penerapan Angkot sekolah online dalam menangani
kemacetan di Jakarta.
7.4Metode Data Mining Standard
Process(CRISP-DM)
Adapun rancangan Metode Data Mining
Standard Process (CRISP-DM)(Wohono, 2016),
sebagai berikut:
Gambar 2. Langkah Tahapan pada CRISP-DM
Berdasarkan Gambar 2 diketahui bahwa CRISP-
DM memiliki 6 Langkah Tahapan Penelitian Sebagai
berikut:
1. Business Understanding
Tahap ini untuk menjelaskan tentang
penelitian apa yang akan dilakukan. Serta
batasan-batasan masalah yang akan di
selesaikan dengan Data Mining.
2. Data Understanding
Tahap ini untuk mengumpulkan data,
mengidentifikasi data yang akan digunakan.
3. Data Preparation
Tahapan ini untuk mempersiapkan set data
akhir dan atribut yang akan digunakan pada
langkah selanjutnya.
4. Modeling
Tahapan ini untuk Memilih dan menerapkan
teknik pemodelan data mining yang sesuai agar
mendapatkan hasil yang optimal.
5. Evaluation
Tahapan ini untuk melakukan validasi dan
pengukuran keakuratan hasil pengolahan dengan
Algoritma pada Software RapidMiner versi 7.5
kemudian melakukan Analisis terhadap hasil
yang diperoleh dari Penelitian ini.
6. Deployment
Tahapan ini adalah tahapan terakhir dimana
hasil penelitian yang telah dilakukan dapat di
kembangkan kembali atau untuk rekomendasi
pengambilan keputusannya.
IKRAITH-INFORMATIKA, VOL. 1, NO. 2, NOVEMBER 2017
Gambar 3. Kerangka Kerja atau Alur Penelitian
yang di usulkan
Peneliti mencari teori yang tepat untuk mengatasi
permasalahn melalui penelitian, yaitu mencari tahu
tentang kemungkinan penyebab kondisi yang
menjadi permasalahan itu (Arikunto, 2013).
Kemudian Peneliti akan menganalisis dan
memberikan kesimpulan atau solusi terbaik dalam
mengatasi masalah tersebut.
8. LANDASAN TEORI
Data Mining
Data Mining bermanfaat untuk menambah Wawasan
dari data Variasi yang luas dalam domain masalah,
aplikasi, Formulasi, dan representasi data yang
ditemui dalam aplikasi nyata (Anggarwal,
2015).Algoritma klasifikasi Decision Tree (C4.5)
atau Pohon Keputusan adalah Pohon yang digunakan
sebagai prosedur penalaran untuk mendapatkan
jawaban dari masalah yang dimasukkan (Prasetyo,
2014).
Business Intelligence(BI)
Business Intelligence digunakan untuk aplikasi
dan teknologi dalam mengumpulkan, menyimpan,
menganalisa, dan menyediakan akses pada data
sehingga dapat membantu pengguna dari kalangan
perusahaan atau organisasi untuk mengambil
keputusan dengan lebih baik dan tepat (Brannon,
2010).
Alogitma A-Star(A*)
Algoritma A-Star adalah sebuah graph atau metode
pohon pencarian yang digunakan untuk mencari jalan
dari sebuah node awal ke node tujuan (goal node)
yang telah ditentukan (Irsyad, 2015).
Travelling Salesman Problem (TSP)
Konsep Travelling Salesman Problem (TSP)
adalah bagaimana seorang salesman dapat
menyinggahi setiap tempat satu kali dan kembali lagi
di tempat asal dengan jarak atau bobot optimal.
(Wahyuningrum, 2016).
9. HASIL DAN PEMBAHASAN
Hasil dan Pembahasan dari penelitian ini
akan dijelaskan secara detail dengan menggunakan
55
Metode Data Mining Standard Process (CRISP- mendapatkan pohon keputusan kelompok Kemacetan
DM), sebagai berikut: berdasarkan banyaknya titik kemacetan di Jakarta dan
1. Business Understanding panjangnya kemacetan di Jakarta. Proses Modelling
Kemacetan sangat penting untuk segera pada Software RapidMiner versi 7.5, untuk lebih
diselesaikan. Data Survey 50 Responden Juni 2017, jelasnya akan dijelaskan sebagai berikut:
100% menyatakan Kemacetan di Jakarta Penting
untuk diatasi secepatnya dan setuju dengan adanya
kendaraan jemputan berbasis internet, adapun Usia
mereka berkisar 21–22 tahun dengan Profesi dominan
sebagai Staff Kantor, mereka menyatakan kemacetan
di Jakarta Penting untuk diatasi secepatnya dan
mereka juga setuju dengan adanya kendaraan
jemputan anak sekolah berbasis Internet.
2. Data Understanding
Dalam penelitian ini penulis membuat dataset Gambar 5. Proses Decision Tree (C4.5) Kemacetan
“Prediksi Kemacetan.xls” dari pengamatan Google di Jakarta
Maps selama 1 Bulan dari Tanggal 01- 31 Juni 2017.
Data yang penulis ambil adalah data kemacetan yang 5. Evaluation
sering terjadi setiap hari dari jam 06:00 dan 07:00 Hasil pengujian dilakukan untuk mengetahui Akurasi
WIB berkategori Pagi (Ketika Anak Sekolah dari Pohon Keputusan Algoritma klasifikasi Decision
berangkat ke Sekolah), 08:00 WIB berkategori Siang Tree (C4.5) Kemacetan terparah berada di Daerah-
(Ketika Pegawai Kantor bergegas ke Kantor atau ada daerah Jakarta. Hasil dibawah merupakan hasil nilai
yang telambat ke Kantor), 17:00 WIB berkategori akurasi yang telah dilakukan, sebagai berikut:
Sore (Ketika Pegawai Kantor Pulang), setiap garis
merah diukur dengan jarak M per Kaki atau Km per
Mil, sedangkan daerah yang diteliti yaitu Jakarta
Barat, Jakarta Pusat, Jakarta Selatan, Jakarta Timur
dan Jakarta Selatan. Dari ratusan titik kemacetan
penulis mengambil sampel 14 titik kemacetan
diambil secara acak untuk memprediksikan
kemacetan yang akan terjadi dan paling sering
mengalami kemacetan. Kemudian data tersebut
diolah dengan Algoritma Data Mining yang tersedia
pada Software RapidMiner Versi 7.5.
3. Data Preparation
Dalam penelitian ini Dataset yang digunakan Gambar 6. Pohon Keputusan Decision Tree
adalah dataset “Prediksi Kemacetan.xls”, sebagai (C4.5) Kemacetan di Jakarta
berikut:
Berdasarkan Gambar 6.diatas, dapat dilihat bahwa
Kemacetan terjadi pada Pagi dan Siang hari saat
terjadinya Jam masuk Sekolah dan Kantor sekitar Jam
07:00 dan Jam 08:00 WIB.

Gambar 4. ExampleSet Decision Tree (C4.5) Gambar 7. Data Statistik Decision Tree (C4.5)
Kemacetan di Jakarta Kemacetan di Jakarta

4. Modeling Berdasarkan Gambar 7. diatas, dapat dilihat

Menggunakan Algoritma yang paling mudah bahwa hasil Statistik yang diperoleh Mengendarai
dipahami pada Proses Data Mining yaitu Algoritma Kendaraan Pribadi 9 lebih banyak dari pada yang
Decision Tree C4.5yang berfungsi untuk tidak Mengendarai Kendaraan Pribadi, terjadi
kemacetan Waktu pada Pagi antara Jam 07:00 – 08:00

56 IKRAITH-INFORMATIKA, VOL. 1, NO. 2, NOVEMBER 2017

WIB dan Sore Jam 17:00 WIB, dengan panjang
Kemacetan 10,45 Km dengan Tingkat Akurasi
Kemacetan tersebar dibeberapa titik kemacetan atau
Jalan Raya yang ada di Jakarta Timur.
6. Deployment
Setelah hasil penelitian telah muncul maka
langkah selanjutnya adalah Evaluasi Model dan
mendapatkan Akurasi Data Mining Kemacetan, maka
hasil penelitian ini dapat segera diterapkan dalam
aktifitas sehari-hari dalam menghindari jam dan
lokasi kemacetan yang ada di Jakarta. Apabila
kemacetan terjadi maka Masyarakat diwajibkan
menggunakan transportasi umum baik ofline maupun
online. A). Berdasarkan “Pantauan Kemacetan pada
Google Maps yang telah dianalisis menggunakan
Algoritma C4.5” kelompok ini dibagi menjadi 3 yaitu
Dekteksi Jam Kemacetan, Titik Kemacetan di Lokasi
yang dapat dijangkau Google Maps, dan Jarak
Panjang Kemacetan dari setiap Lokasi Kemacetan.
Untuk Mengembangan Penelitian ini akan dibahas
dalam B). “Pencarian Jalur Terpendek dari Halte ke
Sekolah menggunakan Algoritma A*”danC). “Model
penerapan Angkot Sekolah online menggunakan
Konsep BIdan Metode TSP-BABdalamMinimalisir
Biaya Perjalanan menjemput Siswa”.
A. Berdasarkan pantauan Kemacetan pada
Google Mapsyang telah dianalisis
menggunakan Algoritma Decision Tree (C4.5)
dapat dijelaskan secara detail sebagai
berikut:Jakarta BaratJam 06.00 WIB,
Kemacetan sering terjadi dihari Senin, ada 16
titik tapi terpanjang: Jl. Tol Merak JKT–Jl. Tol
Jakarta Tenggerang: 1,65 Km (1,02 Mil). Jam
07.00 WIB Kemacetan sering terjadi dihari
Selasa, ada 26 titik tapi terpanjang: Jl. Tol Merak
JKT–Jl. Tol Jakarta Tenggerang: 5,05 Km (3,14
Mil). Jam 08.00 WIB Kemacetan sering terjadi
dihari Selasa, ada 31 titik tapiterpanjang: Jl. Tol
Merak JKT–Jl. Tol Jakarta Tenggerang–Jl.
Gerbang Tol Tomang–Jl. Tomang Raya: 9,27
Km (5,76 Mil). Jam 17.00 WIB Kemacetan
sering terjadi dihari Selasa, ada 28 titik tapi
terpanjang: Jl. Tubagus Angke–Jl. Perniagaan
Raya: 1,59 Km (5.204,96 Kaki).Jakarta
PusatJam 06.00 WIB Kemacetan sering terjadi
di hari Senin, sfs 11 titik tapi terpanjang: Jl.
Sadar IV: 197,32 M (647,39 Kaki). Jam 07.00
WIB Kemacetan sering terjadi di hari Selasa, ada
20 titik tapi terpanjang: Jl. Letjen. Suprato: 1,98
Km (1,23 Mil). Jam 08.00 WIB Kemacetan
sering terjadi dihari Rabu, ada 36 titik
Kemacetan tapi terpanjang: Jl. Letjen. Suprato:
2,17 Km (1,35 Mil). Jam 17.00 WIB Kemacetan
sering terjadi di hari Jumat, ada 49 titik tapi
terpanjang: Jl. Letjen Suprapto: 4,61 Km (2,87
Kaki).Jakarta SelatanJam 06.00 WIB
Kemacetan sering terjadi di hari Senin, ada 35
titik tapi terpanjang: Jl. RS. Fatmawati: 1,63 Km
(1,02 Mil). Jam 07.00 WIB Kemacetan sering
terjadi dihari Senin, ada 46 titik Kemacetan tapi
IKRAITH-INFORMATIKA, VOL. 1, NO. 2, NOVEMBER 2017
terpanjang: Jl. Tol Cawang Gerogol–Jl. Jakarta
Inner Ring Road: 3,19 Km (1,98 Mil). Jam 08.00
WIB Kemacetan sering terjadi dihari Selasa, ada
46 titik Kemacetan tapi terpanjang: Jl. Celedug
Raya: 3,18 Km (1,98 Mil).Jam 17.00 WIB
Kemacetan sering terjadi dihari Selasa, ada 58
titik Kemacetan tapi terpanjang: Jl. Pondok
Pinang TMII-Jl. Tol Cawang Gerogol–Jl. Jend
Gatot Subroto: 6,44 Km (4,00 Mil).Jakarta
TimurJam 06.00 WIB Kemacetan sering terjadi
dihari Senin, ada 23 titik Kemacetan tapi
terpanjang: Jl. Tol Cawang Grogol–Jkt. Bekasi
Timur–Tol Jakarta Cikampek: 3,40 Km (2,11
Mil). Jam 07.00 WIB Kemacetan sering terjadi
di hari Selasa, terdapat 32 titik Kemacetan tapi
terpanjang: Jl. Pulo Mas Cawang–Jl. Ir. Wiyoto
Wiyono–Jl. Tol Cililitan 2 Tol Jagorawi: 10,45
Km (6,50 Mil). Jam 08.00 WIB Kemacetan
sering terjadi dihari Senin, ada 34 titik
Kemacetan tapi terpanjang: Jl. Tol Cililitan 9–Jl.
Tol Jagorawi: 7,70 Km (4,79 Mil). Jam 17.00
WIB Kemacetan sering terjadi dihari Selasa, ada
38 titik Kemacetan tapi terpanjang: Jl. Pulomas
Cawang–Jl. Tol Cililitan 2-Jl. Tol Jagorawi: 9,16
Km (5.69 Mil).Jakarta UtaraJam 06.00 WIB
Kemacetan sering terjadi dihari Jumat, ada 23
titik Kemacetan tapi terpanjang: Jl. Bendungan
Melayu: 406,23 M (1.332,78 Kaki). Jam 07.00
WIB Kemacetan sering terjadi di hari Selasa, ada
28 titik Kemacetan tapi terpanjang: Jl. Tol. Prof.
Sedyatmo: 1,79 Km (1,11 Mil). Jam 08.00 WIB
Kemacetan sering terjadi dihari Selasa, ada 31
titik Kemacetan tapi terpanjang: Jl. Tol Prof
Sedyatmo-Jl. Gerbang Tol Kampung Utama:
3,88 Km (2,41 Mil). Jam 17.00 WIB Kemacetan
sering terjadi di hari Jumat, ada 50 titik
Kemacetan tapi terpanjang: Jl. Jakarta Inner Ring
Road–Jl. Tol Pelabuhan: 5,94 Km (3,69 Mil).
B. Pencarian Jalur Terpendek dari Halte ke
Sekolah menggunakan Algoritma A*
Untuk mengetahui jalur terpendek menggunakan
Algoritma A* maka penulis mengambil studi kasus
jarak terpendek antara Halte Sekolah “A” (Titik
Awal) menuju Sekolah“G” (Titik Akhir), objek
penelitiannya adalah jumlah nama jalan dari Halte
Sekolah menuju Sekolah, kemudian penulis
menghitung jarak tempuh jalan-jalan tersebut dan
penulis menyusun hasilnya menjadi Graf-graf yang
diberi nama “A, B, C, D, E, F, G” sebagai berikut:
Gambar 8. Graf Jalur Halte ke Sekolah
57
 Berdasarkan Gambar 8. diatas, dapat dilihat Gambar 9. Menghitung Heuristik Jalan A ke G
bahwa nilai Graf Jalur Halte ke Sekolah, total jarak
sebesar 21.1 Km, terdiri dari: A). 0.0, B). 4.3, C). 2.5, f (n) = g (n) + h (n)
D). 3.3, E). 5.0, F). 2.3, G). 3.7 dan cara Menghitung = 5.00 + 4.3
HeuristikRumus jarak, sebagai berikut: = 9.3
𝑑𝑑 (𝑥𝑥, 𝑦𝑦) = �(𝑥𝑥1 − 𝑥𝑥2)2 + (𝑦𝑦1 + 𝑦𝑦2)2 f (n) = g (n) + h (n)
= 5.00 + 4.5
Dengan menggunakan rumus diatas, maka = 9.3
perhitungan dari semua titik dapat dilihat sebagai f (n) = g (n) + h (n)
berikut: = 3.16 + 6.08
Tabel 2. Titik Rute dan Jarak = 9.24
Titik Rute Jarak Berdasarkan Gambar 9. Diatas, diketahui bahwa
A-B 5.00 Hasil Analisis Penelitian pada Studi Kasus jarak
B-C 2.23 terpendek antara Halte Sekolah “A” (Titik Awal)
B-D 1.00 menuju Sekolah “G” (Titik Akhir) menggunakan
Angkutan Umum (Angkot), Rute Perjalanan jalur
C-E 3.16
terpendeknya yaitu Jalur A – B – C – G. Total Jarak
C-G 6.08
terpendek: 9.24 Km dengan Waktu tempuh
D-E 3.60 perjalanan sekitar 15 - 20 Menit.
E-F 4.24 C. Model penerapan Angkot Sekolah online
E-G 7.28 menggunakan Konsep BIdan Metode TSP-
F-G 4.12 BAB dalam Minimalisir Biaya Perjalanan
menjemput Siswa
Berdasarkan Tabel 2. Diketahui bahwa terdapat 3 Untuk mengetahui Teknik minimalisir biaya
nilai jarak penentu Rute terpendek sebagai berikut: perjalanan menjemput Siswa menggunakan Konsep
A (0.0) ke B (4.3) BI dan Metode TPS-BAB, maka penulis mengambil
𝑑𝑑 (𝑥𝑥, 𝑦𝑦) = �(0 − 4)2 + (0 − 3)2 = √25 = 5.00 Studi Kasus SupirAngkot mengunjungi semua
C (2.5) ke E (5.0) Halteyang ditunggui oleh parasiswa, tapisetiap Halte
𝑑𝑑 (𝑥𝑥, 𝑦𝑦) = �(2 − 5)2 + (1 − 0)2 =√10 = 3.16 hanya dikunjungi sekali, dan kembali ke Sekolah asal.
Tujuannya untuk minimalisir biaya jemputan,
C (2.5) ke G (3.7)
minimalisir konsumsi BBM, mempersingkat waktu
𝑑𝑑 (𝑥𝑥, 𝑦𝑦) = �(2 − 3)2 + (1 − 7)2 =√37= 6.08 perjalanan dan sebagai salah satu solusi dalam
mengurangi Kemacetan di Jakarta, sebagai berikut:
Langkah pencarian jalur terpendek dengan A-Star. Diketahui Seorang Supir Angkot melakukan
Menurut Gusyanto (2012), Algoritma A-Star perjalanan untuk menjemput Siswa ke 4 Halte yaitu
mengevaluasi titik dan menggabungkan g(n) yaitu Halte A, B, C, D.Adapun penjelasan jarak antar Halte
jarak untuk mencapai titik dan h(n) yaitu jarak yang dan Jumlah Siswa yang akan dijemput, dapat
diperlukan dari titik untuk mencapai tujuan. Maka dijelaskan dalam tabel sebagai berikut:
rumusnya sebagai berikut:
f(n) = g(n) + h(n) Tabel 3. Jarak antar Halte dan Jumlah Siswa
Keterangan: Halte A B C D Siswa
g (n) = Jarak dari titik awal ke node n A 0 4 3 5 50
h (n) = Perkiraan jarak terpendek dari titik n ketitik B 4 0 5 4 25
tujuan
C 3 2 0 6 30
f (n) = Perkiraan solusi dengan jarak terpendek
D 1 3 4 0 15
melalui n.
Titik B ada 2 cabang titik C dan D maka f (n) yang
Berdasarkan Tabel 3. Dapat dijelaskan dalam
didapat menghasilkan biaya paling kecil yaitu C.
Pemodelan yang menggunakanMetode TSPBranch
And Bound, Permasalahan penentuan rute Halte
digambarkan dalam graf sebagai berikut:

Gambar 10.Graf TSP 4 Halte

58 IKRAITH-INFORMATIKA, VOL. 1, NO. 2, NOVEMBER 2017

 Berdasarkan Gambar 10. Diketahui bahwa graf
tersebut, jumlah rute yang dapat dipilih dan
ditentukan dengan 6 Sirkuit Hamilton. Menurut
Akbar (2016), menyimpulkan bahwa lintasan di
mulai dari node A dan kembali ke node A yaitu
dengan melalui rute Berdasarkan perhitungan dan
Penjumlahan total jarak yang di tempuh dengan cara
menjumlahkan jarak dari awal sampai akhir
perjalanan. Berdasarkan data yang diperoleh maka
total jarak yang di dapatkan dari Metode TPS Branch
And Bound untuk masing–masing hari adalah
sebagai Berikut:
Tabel 4. Rute yang dilalui per Hari
Hari Rute
Senin A-B-C-D-A
Selasa A-B-D-C-A
Rabu A-C-B-D-A
Kamis A-C-D-B-A
Jumat A-D-C-B-A
Sabtu A-D-B-C-A
Berdasarkan Tabel 4. diatas, dapat dijelaskan sebagai
berikut:
Rute Hari Senin = 4 + 5 + 6 + 5 = 20 Km
Rute Hari Selasa= 4 + 2 + 5 + 3 = 14 Km
Rute Hari Rabu = 4 + 3 + 6 + 5 = 18 Km
Rute Hari Kamis= 3 + 5 + 2 + 5 = 15 Km
Rute Hari Jumat = 3 + 4 + 2 + 4 = 14 Km
Rute Hari Sabtu = 3 + 6 + 5 + 4 = 18 Km
Total Perhitungan Rute dengan Metode TPS Branch
And Bound : 20 + 14 + 18 + 15 + 14 + 18 = 99 Km.
Biaya bahan bakar (BBM) per Minggu:
= Total jarak tempuh x 1/6 x Harga BBM
= 99 x 1/6 x Rp. 5.500,-/liter
= Rp. 90.750,-/minggu
Biaya bahan bakar (BBM) per Bulan:
=Total jarak tempuh x 1/6 x Harga BBM x
Banyaknya perjalanan dalam satu bulan.
= 99 x 1/6 x Rp 5.500,-/liter x 4 Minggu
= Rp 363.000,-/ bulan.
Dari Analisis diatas dapat disimpulkan bahwa total
jarak yang di lalui Seorang Supir Angkot yaitu
sebesar 99 km/minggu, atau 396 km/bulan dengan
total biaya bahan bakar untuk rute awal yaitu sebesar
Rp 90.750,-/minggu atau Rp. 363.000,-/bulan.
10. KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan
pada penelitian ini, maka dapat disimpulkan sebagai
berikut: 1). Secara akurat setelah diuji menggunakan
Algoritma C4.5 ditemukan bahwaKemacetan terjadi
pada Pagi dan Siang hari saat terjadinya Jam masuk
Sekolah dan Kantor sekitar Jam 07:00-08:00 WIB,
nilai paling besar adalah Jakarta Timur Jam 07:00
WIB panjang kemacetan 10,45 Km. Kemudian hasil
Statistik yang diperoleh Mengendarai Kendaraan
Pribadi 9x lebih banyak dari pada yang tidak
Mengendarai Kendaraan Pribadi, terjadi kemacetan
IKRAITH-INFORMATIKA, VOL. 1, NO. 2, NOVEMBER 2017
Waktu pada Pagi Jam 07:00-08:00 WIB dan Sore Jam
17:00 WIB, panjang Kemacetan 10,45 Km dengan
Tingkat Akurasi Kemacetan tersebar dibeberapa titik
kemacetan Jalan Raya yang ada di Jakarta Timur. 2).
“Pencarian Jalur Terpendek dari Halte ke Sekolah
menggunakan Algoritma A*” Hasil Analisis
Penelitian pada Studi Kasus jarak terpendek antara
Halte Sekolah “A” (Titik Awal) menuju Sekolah “G”
(Titik Akhir) menggunakan Angkutan Umum
(Angkot), Rute Perjalanan jalur terpendeknya yaitu
Jalur A – B – C – G. Total Jarak terpendek: 9.24 Km
dengan Waktu tempuh perjalanan sekitar 15-20
Menit. 3). “Model penerapan Angkot Sekolah online
menggunakan Konsep BIdan Metode TSP-BAB
dalam Minimalisir Biaya Perjalanan menjemput
Siswa” efesienmengurangi macet, mengurangi
kecelakaan, mengurangi waktu keterlambatan siswa,
minimalisir ongkos perjalanan. Angkot Sekolah
onlinemenghindari isu penculikan pada pelajar dan
pembolosan pelajar.Penulis berharap hasil dari
penerapan Angkot Sekolah online, dapat memberikan
solusi terbaik dan memberikan kontribusi bermanfaat
kepada seluruh penduduk Jakarta dalam menghindari
kemacetan secara efesien, aman dan transparan. 4).
Pengelola Transportasi Umum disarankan agar
berpartisipasi mensukseskan Model Penerapan
Angkot Sekolah onlinebekerjasama dengan Pihak
Sekolah yang ada di Jakarta dari Tinggat SD, SMP,
SMA, untuk mengantar jemput Siswa dan Guru.
Siswa membayar tarif jauh-dekat hanya Rp. 2500-
3500 sekali jalan, diskon 50% apabila Siswa tersebut
minimal mendapatkan nilai 90 pada tugas rumah (PR)
ataupun nilai ujian lainnya dengan menunjukan foto
diri dengan hasil nilai bersama gurunya, sedangkan
Siswa yang berprestasi mendapatkan Piagam,
mendali atau Piala perlombaan akan Geratis diantar
ke sekolah selama 3 hari dengan menunjukan video
penyerahan penghargaan tersebut. Jika selama 1
bulan sekolah tersebut menjadi pelanggan Angkot
sekolah online maka dapat bonus 50% ke tempat
Wisata Edukasi bersama keluraga setiap hari Libur.
Berdasarkan kesimpulan, maka perlu diberikan
saran kepada pihak Pemerintah, Badan Pengelola
Transportasi dan pihak-pihak lain yang terkait yaitu
dengan menyarankan: 1. Aspek Manajerial yaitu:
A). Pihak Pemerintah dan Badan Pengelola
Transportasi agar lebih tegas terhadap pengemudi
Kendaraan Umum dan Pribadi yang melanggar lalu
lintas, Perusahaan penyediaan Kendaraan Pribadi
dilarang melampaui batas produksi dan tidak mudah
memberi kredit kendaraan. B). Kendaraan pribadi
yang usia produksi 10 tahun dilarang masuk Jakarta
atau menyarakan kendaraan untuk dijual dan
membeli yang baru. Kendaraan yang lama dikirim
kedaerah terpencil yang sangat membutuhkan akses
transportasi untuk aktifitas sehari-hari. C). Pengelola
Terminal wajib memberi arahan meperbaiki kualitas
dan kenyamanan kendaraan umum, memberi sangsi
agar tidak mengetem dan tidak terlibat dalam aksi
kejahatan seperti perampokan, pelecehan, pemalakan
59
dan lainnya. Tarif transportasi umumpun harus
ditetapkan secara paten agar tidak ada oknum supir
yang menipu penumpang warga pendatang dengan
tarif mahal. D). Trotoar Jalan sebaiknya diberi papan
pembatas seperti kereta apabila pejalan kaki lewat
maka papan terbuka. E). Memberlakukan Nebeng
naik kendaraan yang searah dengan lokasi pengemudi
yang bersedia beri tumpangan. F). Pihak Pasar
Trandisional, Mall, Supermarket dan Minimarket
wajib memiliki lahan parkir yang luas. G). Murid dan
Guru SD, SMP, SMA wajib naik Kendaraan
Jemputan seperti Angkot Sekolah online. I). Setiap
Universitas menyediakan Asrama. J). Kariyawan
Pabrik disarakan naik Bis Jemputan Perusahaan. 2.
Aspek Penelitian Selanjutnya yaitu: Pengembangan
pada Penerapan Data Mining dalam menangani
Kemacetan di Jakarta harus diiringi dengan kinerja
tim Pemerintah, Lembaga dan Pengelola
Transportasi, Perusahaan Kendaraan dan Masyarakat
juga kerjasama dengan para Peneliti Profesional
lainnya, tidak menutup kemungkinan bahwa setiap
Warga Negara Indonesia yang memiliki potensi
dalam menangani Kemacetan di Indonesia khususnya
di Kota Jakarta dapat berbartisipasi dan mengajak
koleganya untuk bersama membangun Negara
Indonesia tercinta ini agar merdeka dari Kemacetan
dan Polusi Udara.
DAFTAR PUSTAKA
Akbar, Fahmi F Al & Sumiati. (2016). Penentuan
Rute Distribusi Teh Botol
menggunakan Travelling Salesman
Problem (TSP) untuk Minimasi Biaya
Distribus. E-Journal FTI-UPNV.
(http://ejournal.upnjatim.ac.id/index.p
hp/tekmapro/article/view/571/451),
diakses tahun 2016.
Anggarwal, Charu C. (2015). Data Mining The
Textbook. Springer.
Arikunto, Suharsimi. (2013). Prosedur Penelitian.
Jakarta: Rineka Cipta.
Azzalini, Adelchi., & Scarpa, Bruno. (2012).
Data Analysis and Data Mining.
Oxford University Press.
Brannon, N. (2010). Business Intelligence and
EDiscovery, Intellectual Property &
Technology Law, Journal Vol. 22 July
2010.
Data-data Jakarta. (2014).
(http://data.jakarta.go.id/), diakses
tahun 2014.
Desmira, et al. (2015). Prototype
Perancangan Informasi Kemacetan
Jalan Tol berbasis Mikrokontroler
AT89S52 dengan Menampilkan LCD.
Jurnal PROSISKO. ISSN:2406-7733.
Vol. 2 No. 2 September 2015.
60 IKRAITH-INFORMATIKA, VOL. 1, NO. 2, NOVEMBER 2017
Gusyanto (2012).Perancangan Aplikasi
Penentuan Rute Angkutan Kota
Berbasis Android Menggunakan
Algoritma A* untuk Daerah Jakarta
Barat. Undergraduate Thesis. Jakarta:
BINUS.
Hermanto, Nico et al. (2017). Vogell’s
Aproximation Method dalam
Optimalisasi Biaya Transportasi
Pengiriman Koran pada PT. Arah
Medialog Pembangunan, Jurnal
Teknologi Komputer AMIK BSI,
ISSN:2442-2436. Vol. III, No. 1,
Febuari 2017.
Irsyad, Muhammad. (2015). Aplikasi Pencarian
Gedung dan Ruangan Universitas
Islam Negri Sultan Syarif Kasim Riau
pada Platform Android menggunakan
Algoritma A-Star (A*), Jurnal CoreIT,
Vol.1, No.2 ISSN: 2460-738X.
Maps, Google. (2017). Jakarta Lalu Lintas
Biasanya.(https://www.google.co.id/ma
ps/place/Daerah+Khusus+Ibukota+Jaka
rta/), diakses tahun 2017.
Prasetyo, Eko.(2014). Data Mining Mengolah
Data menjadi Informasi menggunakan
Matlab. Yogyakarta: CV. Andi Offset.
Suyitno, Popy Purnamasari. (2016). Pencarian
Jalur Terpendek dari Rumah menuju
Candi Jiwa Batujaya menggunakan
Algoritma A-Star. Jurnal KNIT-2 Nusa
Mandiri. Vol 2, No 1, ISBN: 978-602-
72850-1-9.
Wahono, R. et al (2014). A comparison
framework of classification models for
software defect prediction.Advanced
Science Letters, 20(10–12), 1945–
1950.
Wahyuningrum, Tenia dan Usada, Elisa (2016).
Matematika Diskrit: danPenerapannya
dalam DuniaInformasi:Yogyakarta:
Deepublish.
prediction. Advanced Science Letters, 20 (10–12),
1945–1950.
Wahyuningrum, Tenia dan Usada, Elisa (2016).
Matematika Diskrit: dan Penerapannya
dalam DuniaInformasi: Yogyakarta:
Deepublish.
Zakiyudin, Ais. (2011). Sistem informasi
manajemen. Jakarta: Mitra Wacana Media.